論文の概要: SkillIR: Evolving Scene-Aware Skills for Agentic Image Restoration

• arxiv url: http://arxiv.org/abs/2609.21468v1
• Date: Fri, 18 Sep 2026 08:17:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.931261
• Title: SkillIR: Evolving Scene-Aware Skills for Agentic Image Restoration
• Title（参考訳）: SkillIR: エージェント画像復元のためのシーン認識スキル
• Abstract要約: マルチモーダルエージェントは、複雑な劣化によるイメージの回復のために、特別な修復ツールを調整します。 既存の復元エージェントは、しばしば元の劣化した画像から完全なツールの使用計画を導き出したり、以前成功した軌道を回収する。 本稿では,回復経験を劣化中心のアクションエビデンスとして表現するスキルガイドフレームワークであるSkillIRを提案する。
• 参考スコア（独自算出の注目度）: 16.788379147863083
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper studies agentic image restoration, in which multimodal agents coordinate specialized restoration tools to recover images affected by complex degradations. Existing restoration agents often derive complete tool-use plans from the original degraded image or retrieve previously successful trajectories, providing limited support for adapting individual actions to evolving intermediate restoration states. We find that accepted tool executions can change the residual degradation state and, consequently, the applicability of subsequent tools. To address this issue, we propose SkillIR, a skill-guided framework that represents restoration experience as degradation-centered action evidence rather than complete tool-use trajectories. SkillIR consolidates context-dependent action outcomes into scene-aware restoration skills that characterize applicable conditions, expected effects, and attributable failure cases. Instead of prescribing a complete restoration plan, the retrieved skills guide one bounded action at a time within a verified residual-state loop: each tool output is treated as a candidate, committed only after transition verification, and followed by reassessment of the active residual degradations. After each rollout, the resulting evidence is used to create, refine, or patch dynamic skills, enabling accumulated restoration experience to improve decision-making for subsequent inputs. Experiments on synthetic and real-world multi-degradation datasets demonstrate that SkillIR improves restoration quality and enables more reliable and effective tool use.
• Abstract（参考訳）: 本稿では, 複雑な劣化による画像の復元のために, 多モードエージェントが特別な復元ツールを協調するエージェント画像復元について検討する。 既存の修復エージェントは、元の劣化した画像から完全なツールの使用計画を導き出したり、以前に成功した軌道を回収したりし、中間修復状態の進化に個々の動作を適用するための限定的な支援を提供する。 承認されたツールの実行によって,残留劣化状態が変化し,その結果,その後のツールの適用性が向上することがわかった。 そこで,本稿では,修復経験をツール利用の完全な軌跡ではなく,劣化中心の行動証拠として表現するスキル誘導型フレームワークであるSkillIRを提案する。 SkillIRは、コンテキスト依存のアクション成果を、適用条件、期待される効果、帰属可能な障害ケースを特徴付けるシーン認識の復元スキルに統合する。 回復計画を完全に記述する代わりに、検索したスキルは、検証された残留状態ループ内で一度に1つの有界動作を誘導する:各ツール出力は候補として扱われ、遷移検証後にのみコミットされ、その後にアクティブな残留劣化の再評価が行われる。 各ロールアウト後、結果のエビデンスを使用して動的スキルを作成し、洗練し、パッチする。 合成および実世界のマルチ劣化データセットの実験は、SkillIRが回復品質を改善し、より信頼性が高く効果的なツールの使用を可能にすることを示した。

関連論文リスト

• Restore What Matters: Lessons from Joint Restoration and Recognition [72.91692240810536]
  認識パイプラインは通常、再認識ワークフローを採用するが、数十年の経験から、視覚的に満足な画像を生成することは、認識を改善するためにめったにないことを示している。 下流のタスクが本当に必要とするものだけを復元し、タスク信号がどこで、どのくらい、そして、修復が必要なのかを判断する。 我々は、より良い外観のイメージは必要でも十分でもないと結論付け、復元モジュールはタスク駆動で、選択的で、物理的に認識されなければならない。
  論文  参考訳（メタデータ） (2026-09-12T08:08:08Z)
• Causal-AgentIR: Self-Evolving Causal Memory for Adaptive Image Restoration Agents [54.85451496831771]
  Causal-AgentIRは階層的なマルチエージェントフレームワークであり、画像復元インテリジェンスのための自己進化型因果記憶を持つ。 分解パターン、画像領域、復元ツール、アクション、品質変更、ユーザの好みを構造化された因果記憶グラフに整理する。 このグラフはグラフベースの検索とマルチホップ因果推論をサポートしており、エージェントは特定の復元操作やツールシーケンスが異なる劣化条件下での修復品質にどのように影響するかを推測することができる。
  論文  参考訳（メタデータ） (2026-07-23T09:59:44Z)
• Restore, Assess, Repeat: A Unified Framework for Iterative Image Restoration [84.3817904120563]
  画像復元は、悪天候、ぼやけ、低光など、さまざまな要因によって劣化した入力から高品質なイメージを復元することを目的としている。 本稿では,画像品質評価 (IQA) と画像復元 (IR) を統一したフレームワークに統合したリストア・アセス・アンド・リピートプロセス RAR を提案する。 具体的には、劣化同定、画像復元、品質検証を共同で行うために、潜伏領域で完全に機能する復元プロセスを導入する。
  論文  参考訳（メタデータ） (2026-03-27T13:13:44Z)
• From Physical Degradation Models to Task-Aware All-in-One Image Restoration [44.45223512440674]
  オールインワン画像復元は、1つの訓練されたモデルで複数の復元タスクを適応的に処理することを目的としている。 我々は、物理劣化モデリングの観点を採用し、効率的なオールインワン画像復元のためのタスク認識逆分解演算子を予測する。
  論文  参考訳（メタデータ） (2026-01-15T08:47:10Z)
• SimpleCall: A Lightweight Image Restoration Agent in Label-Free Environments with MLLM Perceptual Feedback [27.198190496709433]
  複雑な画像復元は、複数の劣化によって影響を受ける入力から高品質な画像を復元することを目的としている。 視覚言語モデルと大規模言語モデルを利用した最近の修復エージェントは、有望な修復機能を提供するが、ボトルネックに悩まされている。 本稿では,ツール呼び出しシーケンスを決定するための軽量エージェントを学習するポリシー最適化に基づく復元フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-21T05:12:25Z)
• UniRestorer: Universal Image Restoration via Adaptively Estimating Image Degradation at Proper Granularity [79.90839080916913]
  We present our UniRestorer with improve restoration performance。 具体的には、劣化空間上で階層的クラスタリングを行い、マルチグラニュラリティ・ミックス・オブ・エキスパート(MoE)復元モデルを訓練する。 UniRestorerは、既存の劣化診断法と -aware 法とは対照的に、劣化推定を利用して劣化特定回復の恩恵を受けることができる。
  論文  参考訳（メタデータ） (2024-12-28T14:09:08Z)
• Perceive-IR: Learning to Perceive Degradation Better for All-in-One Image Restoration [33.163161549726446]
  Perceive-IRは、きめ細かい品質管理のための新しいバックボーン非依存のオールインワン画像復元フレームワークである。 モジュール構造により、コアコンポーネントは特定のバックボーンとは独立して機能し、高度な復元モデルへのシームレスな統合を可能にする。
  論文  参考訳（メタデータ） (2024-08-28T17:58:54Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。